Los escáneres cerebrales que involucran imágenes de resonancia magnética funcional fMRI han sido un favorito de los medios durante dos décadas. Las imágenes de cerebros que se encienden hasta estímulos externos han demostrado ser irresistibles y han ayudado a la neurociencia a alcanzar un reconocimiento popular
Pero fMRI también ha recibido una paliza. Primero, más famoso, cuando se usa en un salmón muerto, la técnica parece mostrar actividad cerebral y de la médula espinal cuando se somete a estímulos en este caso, imágenes de personas en situaciones sociales.
Más recientemente, a PNAS el papel informó un error en uno de los programas informáticos más utilizados para analizar datos de escaneos de fMRI. De nuevo, esto se informó ampliamente.
La razón por la que la fMRI funciona se debe al hecho de que una mayor actividad neuronal conduce a un mayor flujo de sangre en el cerebro. Por supuesto, las exploraciones de fMRI producen muchos datos.
En consecuencia, tratar de identificar aquellas áreas donde una sección del cerebro se activa más en comparación con otras áreas requiere procesar grandes cantidades de datos. Rápidamente, el problema de las comparaciones múltiples asoma a la cabeza.
Una posible consecuencia de esto es que los investigadores pueden, y de hecho lo hacen, optar por un tamaño de muestra limitado o pequeño. Luego están las limitaciones de los tamaños de muestra pequeños. Un estudio reciente en Nature Reviews Neuroscience informa, "Aquí, mostramos que el poder estadístico promedio de los estudios en las neurociencias es muy bajo. Las consecuencias de esto incluyen sobreestimar el tamaño del efecto y la baja reproducibilidad de los resultados".
La pregunta más amplia sobre cómo analizar los datos de neuroimagen fMRI ha atraído gradualmente más atención sobre la cuestión de cómo recopilar los datos.
Los métodos destinados a extraer la información interesante directamente de los datos, al contrario del enfoque tradicional basado en probar la hipótesis propuesta por los investigadores de antemano, se han introducido en el campo de la neuroimagen.
Estos métodos emergentes basados en datos brindan más posibilidades y perspectivas de investigar y comprender los datos de neuroimagen que transmiten información crucial para descubrir mecanismos cerebrales subyacentes a los comportamientos cognitivos.
Por lo general, un estudio de resonancia magnética funcional sobre un cierto paradigma de estimulación adoptaría un único método de análisis y umbral estadístico. Esto plantea la cuestión de la posibilidad de generalizar los resultados de un único método de análisis. Sin embargo, si un segundo estudio sobre la misma estimulaciónel paradigma utilizaría otro método de análisis, se manifestarían dos conjuntos diferentes de resultados divergentes. Considerando que en este campo los métodos de análisis y estadística han proliferado, es inevitable que surja una imagen algo confusa del progreso científico obtenido por la investigación de fMRI.
Informamos sobre un estudio colaborativo entre las universidades Brunel y Aarhus, con los datos recopilados en el centro de Imagen Magnética Avanzada de la universidad de Aalto, Finlandia. Lo que hemos hecho, por primera vez es analizar los datos de fMRI con el paradigma de agrupamiento consensuado llamadobinarización de las matrices de partición de consenso Bi-CoPaM. Este paradigma es capaz de fusionar los resultados de muchos métodos de análisis para obtener grupos robustos y reproducibles de varios conjuntos de datos. Como resultado, esto finalmente puede conducir a un panorama consensuado de resultados de neuroimagen.
Para validar el paradigma, lo aplicamos a un complejo experimento fMRI que involucra el procesamiento afectivo de cientos de clips musicales. Descubrimos que las estructuras cerebrales relacionadas con el procesamiento visual, de recompensa y auditivo tienen patrones espaciales intrínsecos de neuroactividad coherente.
Las comparaciones entre los resultados obtenidos de nuestro método y los de cada algoritmo de agrupación individual demuestran que nuestro paradigma tiene notables ventajas sobre los algoritmos tradicionales de agrupación única para poder evidenciar patrones de conectividad robustos incluso con datos complejos de neuroimagen, que incluyen una variedad de estímulos yevaluaciones afectivas de ellos.
Nuestro uso innovador del paradigma Bi-CoPaM nos permite encontrar grupos que incluyen redes neuronales relacionadas funcional y anatómicamente que responden consistentemente a la música emocional, es decir, los ganglios basales, el tálamo, la ínsula y otras áreas involucradas con el procesamiento de características auditivas como elLa circunvolución de Heschl, el opérculo rolandico y la circunvolución temporal superior.
Uno de los aspectos pioneros de este estudio es el empleo del paradigma Bi-CoPaM que explora los datos de fMRI sin ningún modelo predeterminado, que es necesario en los enfoques basados en modelos clásicos.
El hallazgo más importante de este estudio es que nuestro enfoque propuesto fue capaz de descubrir un solo grupo, incluidas las estructuras subcorticales y corticales conectadas anatómicamente del circuito de recompensa, respondiendo selectivamente a la música gustada y disfrutada. Este es uno de los pocos estudiosobtener dicho hallazgo con un enfoque basado en datos.
¿Ah, y ese salmón muerto reacciona? Una vez que se corrigieron los datos para las comparaciones múltiples, se eliminaron los falsos positivos, ¡realmente era un pez fallecido!
Fuente de la historia :
Materiales proporcionado por Universidad de Brunel . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :